In diesem Artikel wird der Thiobarbitursäure-Reaktivitätswert (TBARS) von gegartem Fleisch als Frischeindikator verwendet und durch Hyperspektraldaten in Kombination mit semi-überwachtem Lernen vorhergesagt. Im Datensatz stellen die Hyperspektraldaten X dar, und die TBARS-Werte sind y. Gleichzeitig wird die gesamte Stichprobe in einen Kalibrierungs-, Validierungs- und unabhängigen Testdatensatz unterteilt. Der Kalibrierungsdatensatz dient dem Modellaufbau, um den Validierungs- und unabhängigen Testdatensatz vorherzusagen. Im Kalibrierungsdatensatz werden Proben, die sowohl X als auch y enthalten, als beschriftete Proben bezeichnet; Proben, die nur X ohne y enthalten, als unbeschriftete Proben. Jeder Probe im Validierungs- und unabhängigen Testdatensatz ist eine beschriftete Probe. Der Validierungsdatensatz wird ausschließlich zur Anpassung der Modellparameter verwendet, die im Kalibrierungsdatensatz erstellt wurden, und ist nicht am Modellaufbau beteiligt. Der unabhängige Testdatensatz ist weder am Modellaufbau noch an der Parameteranpassung beteiligt und dient nur zum Testen der endgültigen Modellergebnisse. Die Anzahl der Proben im Kalibrierungsdatensatz beträgt 233, davon 48 beschriftete und 185 unbeschriftete Proben; die Validierungs- und unabhängigen Testdatensätze enthalten jeweils 12 Proben. Im Modellierungsprozess werden zunächst die beschrifteten Proben des Kalibrierungsdatensatzes verwendet, um ein Modell zwischen X und y zu erstellen; anschließend wird dieses Modell verwendet, um die unbeschrifteten Proben vorherzusagen und deren y-Wert abzuschätzen. Zu diesem Zeitpunkt sind alle Proben im Kalibrierungsdatensatz als beschriftet anzusehen. Schließlich wird auf Basis aller Proben im Kalibrierungsdatensatz ein Modell erstellt, das zur Vorhersage verwendet wird. Die Parameter der beiden erstellten Modelle unterscheiden sich, und beide werden mithilfe des Validierungsdatensatzes optimiert. Die Ergebnisse zeigen, dass die Support Vector Machine Regression (SVR) die bessere Modellierungsleistung bietet, und dass die Kombination von SVR mit semi-überwachtem Lernen eine höhere Vorhersagegenauigkeit erzielt. Bei der Auswahl der unbeschrifteten Proben kann im Vergleich zur Methode, die alle unbeschrifteten Proben verwendet, die auf dem Distanzverfahren basierende Auswahl geringere Vorhersagefehler erzielen.

gekochtes Fleisch;Thiobarbitursäure-Reaktivität (TBARS);semi-überwachte Regression;Hyperspektraldaten;Support Vector Machine Regression (SVR);Gaussian Process Regression (GPR)